来源：TechFirst

　　当大语言模型将代码生成的边际成本压缩至相对于人力成本可忽略不计的水平，软件产业的底层逻辑正在发生根本性变化。本文从经济学视角剖析这一变革，揭示竞争壁垒如何从“编码能力”转向“数据资产”，并前瞻性地探讨这一转型对金融、法律、医疗等行业的深远影响。

　　代码已死：一个经济学命题

　　“代码已死（Code is Dead）”——这句话乍听起来像是技术圈的标题党，但从经济学角度审视，它揭示的是一个深刻的价值重构过程：手动编写代码作为一种稀缺技能的经济价值，正在快速衰退。

　　过去数十年，软件工程师一直是数字经济时代的“稀缺资源”。企业愿意支付高薪，正是因为这种能力具有天然的“竞争性”——一位工程师投入项目 A 的时间，无法同时用于项目 B。

　　然而，随着 GitHub Copilot、Cursor、Claude Code 等 AI 编程工具的普及，这一逻辑正在快速瓦解。根据多项行业调研，AI 辅助编程已使开发效率提升 25%~55%，且这一数字仍在快速攀升。更值得注意的是，相对于传统的人力成本，AI 生成代码的边际成本已可忽略不计——这意味着代码生成从“论人头收费”变成了近乎“论 Token 收费”。

　　当某种能力的供给近乎无限、成本大幅下降时，它就失去了作为“稀缺资源”支撑高溢价的经济基础。这正是“代码已死”的真正含义。

　　从机器能力到定义能力：编程范式的经济学演进

　　回顾编程技术的演进史，我们会发现一条清晰的主线：稀缺资源的不断转移。

　　早期是“机器稀缺”。1950-1970 年代，计算机是真正的奢侈品，一台主机动辄占据整层楼。程序员必须用机器语言与计算机“对话”，效率极低，但机器时间比人力更昂贵。

　　然后是“人力稀缺”。随着硬件成本下降、高级编程语言普及，瓶颈转向了开发人员。《人月神话》揭示的规律——增加人手反而拖慢项目——成为软件工程的经典困境。这一时期，优秀程序员成为企业争夺的核心资产。

　　再后来是“复用与分发成本”。开源运动和云计算降低了软件复用与分发的边际成本，SaaS 模式让软件从“一次性产品”变成“持续服务”。但核心逻辑仍需人工编写，定制开发成本居高不下。

　　如今，我们进入了“定义稀缺”时代。AI 可以根据自然语言描述生成可用代码，编程范式从“如何实现（How）”转变为“实现什么（What）”。稀缺的不再是编码能力，而是清晰定义需求的能力和验证结果正确性的能力。

　　这个转变意味深长：软件生产的瓶颈，从供给侧的技术能力转向了需求侧的业务理解力。

　　软件正在变成“公用事业”

　　如果代码生成的边际成本大幅下降，软件产业会发生什么变化？

　　首先，软件生产将“即时化”。过去开发一套企业管理系统需要数月时间的投入。未来，企业可能像点外卖一样“即时生成”软件——描述需求，AI 现场生成。软件从昂贵的“资产”变成随需应变的“消耗品”。

设想一个场景：某公司临时举办一场展会，需要一套参会登记系统。传统做法是找外包公司开发，周期两周，费用十万。AI 时代的做法是：现场用自然语言描述需求，十分钟生成系统，展会结束后即可删除。软件的“一次性使用”将成为常态。

　　其次，通用软件将“免费化”。当每个人都能低成本生成专属软件时，标准化通用软件还能收多少钱？可以预见，大量通用软件将被迫免费，成为获取用户的流量入口。真正的盈利点将转向两个方向：

1. 1．按结果收费：不卖工具，卖业务成果。软件公司从“卖刀”变成“卖切好的菜”。

2. 2．按算力收费：类似水电费，软件成本直接与调用的 AI 推理算力挂钩。IT 支出从“买设备”变成“付账单”。

　　当然，软件与水电等公用事业仍有本质区别：后者是自然垄断行业，需要政府管制；而 AI 生成软件的市场仍具有充分竞争性。但从成本结构看，它们正在趋同——都是按用量付费的可变成本。

　　第三，稀缺性发生根本转移。当代码不再稀缺，什么变得稀缺？答案是两样东西：专有数据和领域知识。

　　这里需要引入一个经济学概念——“俱乐部商品”。传统商品分类中，有公共物品（如公路，大家共享且无法排斥他人使用）和私人物品（如商品，谁买谁用）。俱乐部商品介于两者之间：可以被多人同时使用（非竞争性），但可以排斥未付费者（排他性）。

　　企业的专有数据恰恰具有这种属性：一份客户行为数据可以同时训练多个 AI 模型（非竞争性），但企业可以通过技术和法律手段阻止竞争对手获取（排他性）。这种由排他性数据资产带来的超额收益，经济学上称为“垄断租金”——它来源于竞争对手无法复制的独特资源，而非单纯的生产效率优势。

　　正因为专有数据的价值有赖于产权的清晰界定，而当前的制度环境恰恰在这一点上存在薄弱环节——笔者将在后文详述。

　　工程师的新角色：向上与向下

　　代码自动化之后，软件工程师做什么？答案是“向上走”和“向下走”。

• •向上走，进入系统工程领域。工程师的工作重心从“写代码”转向“设计 AI 协作架构”。一个复杂的业务系统可能由多个 AI Agent 协同完成，工程师需要定义：哪些 Agent 负责哪些任务？它们如何通信和协调？出错时如何回滚？这是比写代码更高阶的系统设计能力。

• •向下走，深耕数据工程领域。AI 的能力边界由数据决定。“垃圾进，垃圾出”在 AI 时代尤为明显。构建高质量的数据管道——确保数据新鲜、准确、完整——成为决定 AI 产出质量的关键环节。

　　这意味着软件行业的人才结构将呈现“哑铃型”分布：顶层是能设计复杂 AI 系统的架构师，底层是能打造数据基础设施的工程师，而中间层——那些主要工作是“按需求写代码”的程序员——将面临最大的职业冲击。

值得注意的是，这种转型不会一蹴而就。技能更新需要时间和投入，短期内可能出现结构性失业；教育培训体系的调整往往滞后于技术变化，导致劳动力市场的技能错配。政策制定者和企业管理者需要为这一过渡期做好准备。

　　定价革命与信任难题

　　当软件从“产品”变成“服务”甚至“结果”时，定价模式必须随之变革。但这一变革远非简单的“按效果收费”那么简单，其中隐藏着深刻的经济学难题。

　　“按结果付费”看起来很美，但执行起来很难。

　　假设一家律所使用 AI 完成了一份合同审查，客户应该为这份服务付多少钱？如果按人工小时计费，AI 五分钟完成的工作收不了多少钱；如果按“节省的人工成本”计费，客户会质疑：我怎么知道人工需要多少时间？如果按“服务价值”计费，价值本身难以客观衡量。

　　这是经济学中的“委托代理问题”在 AI 时代的新表现。服务提供商拥有信息优势——他们知道 AI 实际做了什么、质量如何、成本多少——而客户则处于信息劣势。这种不对称会导致一系列问题：服务商可能夸大工作复杂度以抬高报价（道德风险），客户可能不信任定价而放弃购买（市场萎缩），高质量服务商因无法证明自己的价值而被迫退出（逆向选择）。

　　解决这些问题，需要构建新的信任机制。可能的路径包括：行业信誉评级体系、第三方技术审计机构，以及基于区块链的自动化仲裁合约。但这些机制的成熟需要时间，短期内，“按结果付费”的美好愿景恐怕难以大规模落地。

　　“按算力付费”则相对简单直接。

　　类似于水费电费，软件成本与调用的 AI 推理算力直接挂钩。这种模式透明、可计量、易于比价，符合公用事业的定价逻辑。它将彻底改变企业的 IT 成本结构——从一次性的“资本支出”变成持续的“运营支出”，从“买断设备”变成“按月付费”。

　　对于创业公司而言，这意味着更低的进入门槛；对于大型企业而言，这意味着更灵活的成本管理。CFO 们将像管理电费预算一样管理“AI 算力预算”。

　　鲍莫尔成本病：人工参与的相对价格飙升

　　经济学家威廉·鲍莫尔在 1960 年代提出一个著名洞见：那些无法通过技术提升生产率的行业，其相对成本会持续上涨。 他用交响乐团举例——演奏贝多芬第九交响曲今天需要的人数和时间，与 100 年前一模一样，但乐手的薪酬必须跟上整体经济的工资水平。这导致现场演出的相对成本越来越高。

　　AI 时代，鲍莫尔成本病将在数字领域全面爆发。规律是：凡是 AI 可以自动化的环节，成本将大幅下降；凡是必须由人工参与的环节，相对成本将急剧上升。

　　哪些环节无法被 AI 替代？

• •验证 AI 的输出：确认代码是否正确、识别 AI 的“幻觉”（胡说八道但自信满满）

• •伦理与价值判断：涉及道德权衡的决策，无法外包给机器

• •最终责任承担：法律责任和声誉风险需要自然人或法人背书

　　由此产生一个有趣的推论：“真实性”将成为稀缺品并获得巨大溢价。 在一个 AI 可以批量生成内容的时代，经过人工审核的数据、有真人背书的分析、可追溯责任的服务，将具备独特的市场价值。

　　这或许能解释为什么传统媒体的“原创新闻”价值可能回升，为什么人工审计的财务报告会比 AI 生成的更贵，为什么提供“形式化验证”（用数学证明软件正确性）的平台可能成为高溢价赛道。

　　市场格局：并非简单的赢家通吃

　　“AI 时代将是赢家通吃”——这是一个流行但过于简化的判断。仔细分析可以发现，市场集中度取决于具体赛道的特征。

　　在通用大模型领域，确实呈现赢家通吃趋势。原因在于强大的“数据网络效应”——用户使用产生数据，数据优化模型，优化后的模型吸引更多用户。这种正向循环一旦形成，后来者很难追赶。与传统网络效应（如电话网络的用户越多越有价值）不同，数据网络效应的核心在于用户行为数据对产品改进的贡献。这解释了为什么 OpenAI、Anthropic、Google 等少数玩家主导了基础模型市场。

　　但在垂直应用领域，格局可能大不相同。医疗 AI 依赖病历数据，而病历分散在各家医院；金融 AI 依赖交易数据，而交易数据分属各金融机构。单一平台难以跨领域聚合这些专有数据。加上各行业监管要求差异巨大、不同地区法规各不相同，全球统一的垂直市场难以形成。

　　更可能出现的格局是**“细分垄断”**——每个细分赛道由一两家专业玩家主导，但全局来看呈现百花齐放的竞争态势。

对企业的启示是：不要盯着通用赛道与巨头硬碰硬，而要在垂直领域深耕数据壁垒。 专有数据的价值恰恰在于难以被模仿、难以被整合。深耕一个领域，建立独家数据资产，可能比追逐通用技术更有战略价值。

　　行业冲击：从辅助工具到生产力革命

　　AI 对软件产业的变革，必然向其他知识密集型行业溢出。但不同行业受冲击的方式各有特点。

　　金融业：算法民主化，顾问稀缺化

　　AI 让复杂的量化分析能力走下神坛。过去只有顶级投行和对冲基金玩得起的量化策略，未来可能成为普惠工具。更有意思的变化是：面向中产阶级的“AI 私人银行”服务将成为可能。过去，私人银行服务因边际成本高（需要人工顾问）只面向高净值客户。AI 可以将边际成本压得很低，让普通人也能享受个性化的财富管理建议。

　　但这并不意味着人类财富顾问会消失。恰恰相反，那些能够承担受托责任、提供情感支持、处理复杂的家族事务的顾问，将变得更加稀缺和昂贵。AI 处理标准化分析，人类处理非标准化关系——这将是金融服务的新分工。

　　法律业：知识杠杆的极致放大

　　法律工作的很大一部分是程式化的：检索案例、审阅合同、起草文书。AI 在这些环节的效率远超人类。这将彻底改变律所的竞争逻辑——过去，大所的优势在于能调动足够多的初级律师“堆人头”；未来，优势将在于合伙人的专业洞察能否被有效数字化、杠杆化。

　　一位资深合伙人指挥一个 AI 团队，可能顶得上过去整个律所。这是专家智慧的无边际成本复制——一种前所未有的“知识杠杆”。但硬币的另一面是，初级律师的职业入口可能被大幅压缩。法学院的培养模式需要根本性变革。

　　医疗业：责任归属成为核心问题

　　AI 在影像诊断、初步问诊、用药建议等环节已展现出惊人能力，某些场景下准确率已超过资深医生。但医疗有其特殊性：诊疗责任无法转嫁给机器。 当 AI 诊断出错导致医疗事故，是算法开发商负责，还是使用 AI 的医生负责，还是医院负责？

　　在责任归属明确之前，人类医生的“签字权”本身就是一种稀缺资源。这解释了为什么 AI 落地医疗的速度可能比预期更慢——技术成熟只是必要条件，制度配套才是落地的关键。

　　教育业：知识免费，育人昂贵

　　AI 导师可以提供 24 小时、无限耐心、完全个性化的知识传授。这意味着标准化知识的获取成本将大幅下降——任何人都可以低成本获得顶级的知识讲解。

　　但教育不仅是知识传递，更是人格塑造。激发创造力、培养批判性思维、建立价值体系——这些“育人”功能高度依赖人与人的互动，难以被 AI 替代。根据鲍莫尔成本病的逻辑，可自动化的“教”将越来越便宜，不可自动化的“育”将变得越来越昂贵。

　　未来的教育可能分化为两个层次：一层是 AI 提供的低成本知识服务，普惠而高效；另一层是人类导师提供的高端“指导”服务，稀缺而昂贵。

　　制度经济学视角：数据产权的关键拼图

　　上述变革的实现，依赖一个关键的制度前提：数据产权的清晰界定与高效交易。根据科斯定理，只要产权界定清晰、交易成本足够低，市场可以自发实现资源的最优配置。可惜，当前数据市场的困境恰恰在于：产权模糊导致交易成本高企，市场机制难以发挥作用。

　　数据产权面临独特困境。传统物权法建立在“物的有形性”基础上，但数据是无形的、可复制的、使用时不损耗的。一段用户行为数据，是由用户“产生”的，还是由平台“收集和加工”的？双方各有什么权利？增值收益如何分配？这些问题至今没有清晰答案。

　　更棘手的是数据交易市场的缺失。数据的价值高度依赖使用场景——同一份数据，在不同 AI 模型中可能价值天差地别。买方无法在购买前验证数据质量（一旦查看，信息就已泄露），卖方又可以把同一份数据卖给无限多的买家。这种特性使传统的商品交易机制难以适用。

　　此外，全球隐私保护立法趋紧（如欧盟 GDPR、中国个人信息保护法），为数据使用设定了诸多限制。这些限制在保护个人隐私的同时，也增加了数据利用的合规成本，影响着 AI 产业的发展节奏。

　　对于政策制定者而言，前方是一道平衡题：如何在保护隐私、促进创新、维护公平竞争之间找到平衡点？没有简单答案，但有几个方向值得探索：

• •分类确权：根据数据类型（个人数据、企业数据、公共数据）分别界定产权规则

• •交易基础设施：建设标准化的数据交易平台，引入第三方评估和托管机制

• •监管沙盒：在可控范围内允许数据创新应用，积累经验后再推广

　　数据治理的制度创新，将在很大程度上决定 AI 经济的发育速度。

　　结语：拥抱数据约束时代

　　我们正站在一个历史拐点上。软件产业正在从“逻辑约束”时代进入“数据约束”时代。

　　过去，企业拼的是编码能力——能不能把业务逻辑转化为可运行的软件。未来，企业拼的将是数据资产——有没有别人无法复制的专有数据和领域知识。

　　对于企业而言，战略重心需要调整：

• • 不要再把核心竞争力寄托于“我们有一支强大的开发团队”

• • 而要思考“我们有什么别人拿不到的数据”以及“我们有什么别人不具备的领域洞察”

　　对于从业者而言，能力结构需要升级：

• • 纯粹的“实现能力”正在贬值

• • 而“问题定义能力”“结果验证能力”“跨领域整合能力”正在升值

　　当重复性的逻辑构建被机器接管，人类将专注于那些机器无法替代的领域：定义真正重要的问题，判断正确的答案，承担选择的责任，在海量信息中确立真实与可信的标准。

　　这既是挑战，也是解放。代码的消亡，恰恰是让人类回归最本质的价值创造。